文献

J-GLOBAL ID：201802286248857059   整理番号：18A0518691

マルチクラス脳腫瘍セグメンテーションのための事前データ駆動を用いた完全接続CRF【Powered by NICT】

Fully connected CRF with data-driven prior for multi-class brain tumor segmentation

著者 (2件)： Shen Haocheng (CVIP, Computing, School of Science and Engineering, University of Dundee, UK) ,  Zhang Jianguo (CVIP, Computing, School of Science and Engineering, University of Dundee, UK)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICIP  ページ： 1727-1731  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： グリッド条件付き確率場(CRF)は,自然および医用画像セグメンテーションタスクにおいて広く適用されている。しかし,近傍ピクセルまたは領域における標識コヒーレンス,画像内の長距離接続をモデル化する能力を制限するのみを考慮し,一般的に腫瘍境界の過剰な平滑化をもたらした。本論文では,画像の画素の全ての対に対する対ポテンシャルを確立する完全接続CRF(FC CRF)モデルに基づくMR画像における脳腫瘍セグメンテーションのための新しい方法を示した。腫瘍の異なる構造を識別し,さらに腫瘍コアの学習データ駆動型事前知識によるFC CRFモデルを定式化するために,階層的アプローチを採用した。方法は脳腫瘍画像セグメンテーションベンチマーク(BRATS)2013課題の試験とリーダボードセットで評価した。セグメント化腫瘍境界の精度は著しく改善され,その結果を開始の技術と比較して競争力がある。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： モデル ,  画素 ,  ベンチマーク ,  モデリング ,  *脳腫瘍 ,  *腫瘍 ,  NMRイメージング ,  平滑化 ,  画像 ,  *セグメンテーション ,  コヒーレンス
準シソーラス用語： 画像セグメンテーション ,  事前知識 ,  条件つき確率場 ,  *データ駆動 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  医用画像処理  (JE04020T)

タイトルに関連する用語 (6件)： マルチ ,  クラス ,  脳腫瘍 ,  セグメンテーション ,  データ駆動 ,  CRF